Данная работа посвящена разработке набора функций и методов для обеспечения взаимодействия искусственных нейронных сетей и баз данных, а также исследованию методов их создания, обучения и сохранения с целью повышения эффективности работы и уменьшения времени, затрачиваемого на выполнение большинства задач машинного обучения. В рамках работы с применением расширения PL/Python и фреймворка Tensorflow был разработан функционал в системе управления базами данных (СУБД) Postgres, позволяющий создавать, обучать, сохранять, использовать и тестировать нейронные сети, настраивая необходимые параметры на каждом этапе. Такой набор функций и методов может быть интегрирован в клиент-серверную систему и использоваться в промышленном масштабе для автоматизации обучения нейронных сетей. Для демонстрации работы реализованный функционал используется при создании нейронной сети прямого распространения для выявления болезней пшеницы, с применением технологии создания цифровых образов по имеющимся наборам данных на основе текстурных параметров Харалика. В ходе работы производится сравнение скорости выполнения всех этапов между функционалом и стандартными методами на языке Python.

This work is devoted to developing a set of functions and methods to provide the interaction of artificial neural networks and databases, as well as research methods of its creation, training and saving to improve performance and reduce the time required to perform most of the machine-learning tasks. In this work, using the PL/Python extension and the Tensorflow framework, a functionality was developed in the Postgres database management system (DBMS) to create, train, save, use, and test neural networks by configuring the necessary parameters at each step. This set of functions and methods can be integrated into a client-server system and used on an industrial scale to automate the training of neural networks. To demonstrate the work, the implemented functionality is used to create a forward propagation neural network for the detection of wheat diseases, using the technology of digital image creation from the available datasets based on the textural Haralick parameters. In the process of work the speed of execution of all steps between the implemented functional and standard methods in the Python language is compared.